CN115587526A - 基于神经网络的车辆二氧化碳实时排放预测方法及系统 - Google Patents

基于神经网络的车辆二氧化碳实时排放预测方法及系统 Download PDF

Info

Publication number
CN115587526A
CN115587526A CN202211021253.8A CN202211021253A CN115587526A CN 115587526 A CN115587526 A CN 115587526A CN 202211021253 A CN202211021253 A CN 202211021253A CN 115587526 A CN115587526 A CN 115587526A
Authority
CN
China
Prior art keywords
carbon dioxide
vehicle
emission
real
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211021253.8A
Other languages
English (en)
Inventor
李岳兵
杜红云
何媛媛
李峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangyang Daan Automobile Test Center Co Ltd
Original Assignee
Xiangyang Daan Automobile Test Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangyang Daan Automobile Test Center Co Ltd filed Critical Xiangyang Daan Automobile Test Center Co Ltd
Priority to CN202211021253.8A priority Critical patent/CN115587526A/zh
Publication of CN115587526A publication Critical patent/CN115587526A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Hardware Design (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种基于神经网络的车辆二氧化碳实时排放预测方法及系统，涉及车辆排放领域，该方法包括基于对样车所进行的排放测试，收集得到样车的实际道路排放测试数据；基于收集的实际道路排放测试数据，计算得到样车的瞬时加速度和二氧化碳瞬时排放速率；将样车的车速、加速度和发动机转速作为输入特征数据，并对输入特征数据进行窗口划分，构成训练集；搭建LSTM深度学习的二氧化碳实时排放预测模型，采用所述训练集进行训练；基于训练完成的二氧化碳实时排放预测模型，实现对与样车同型号的车辆的二氧化碳瞬时排放速率预测。本发明能够实现高精度的二氧化碳瞬时排放预测。

Description

基于神经网络的车辆二氧化碳实时排放预测方法及系统
技术领域
本发明涉及车辆排放领域，具体涉及一种基于神经网络的车辆二 氧化碳实时排放预测方法及系统。
背景技术
随着车辆保有量的持续增加，来自车辆尾气中的二氧化碳排放也 急剧增加，给环境造成了严峻的影响。
由于目前的油耗测试均在试验室进行，而实际道路复杂的环境以 及试验室测试所采用的工况曲线并不能很好的反映实际工况，导致最 终的油耗测试结果会远小于车辆实际油耗。即，试验室测试结果并不 能真实反映车辆的二氧化碳实际排放情况。此外，对车辆的二氧化碳 排放实行全生命周期监管的呼声日益高涨，但是仅依靠目前的油耗认 证测试、生产一致性检查以及在用符合性检查并不能有效实现上述目 标。
随着深度学习技术的发展，大量研究人员对基于深度学习技术的 车辆排放预测模型开展了大量的研究。在一篇车辆二氧化碳排放预测 相关论文中，提到了一种LSTM车辆二氧化碳排放预测模型模型， 该模型能够实现较高精度的二氧化碳排放预测，但是该论文在数据预 处理阶段，是通过Min-Max方法对训练数据集进行规范化，由于训 练集中各个特征数据尺度不一致，导致这一规范化方法对每个特征的 分辨率不一致。为实现较高的预测精度，因此需要模型具有很强的特 征提取能力，故该论文所搭建的模型采用了一个复杂的结构。该论文 提出的模型一共由3个LSTM层和1个全连接层组成，其中每层的 LSTM单元分别为120个、240个和500个，模型参数数量庞大，对 运行模型的电脑性能要求高。此外，该方法的输入特征中相邻窗口的 起始数据点时间隔较大，因此该模型无法用于车辆每秒的二氧化碳瞬 时排放预测。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于神 经网络的车辆二氧化碳实时排放预测方法及系统，能够实现高精度的 二氧化碳瞬时排放预测。
为达到以上目的，本发明提供的一种基于神经网络的车辆二氧化 碳实时排放预测方法，具体包括以下步骤：
基于对样车所进行的排放测试，收集得到样车的实际道路排放测 试数据；
基于收集的实际道路排放测试数据，计算得到样车的瞬时加速度 和二氧化碳瞬时排放速率；
将样车的车速、加速度和发动机转速作为输入特征数据，并对输 入特征数据进行窗口划分，构成训练集；
搭建LSTM深度学习的二氧化碳实时排放预测模型，采用所述 训练集进行训练；
基于训练完成的二氧化碳实时排放预测模型，实现对与样车同型 号的车辆的二氧化碳瞬时排放速率预测。
在上述技术方案的基础上，所述基于对样车所进行的排放测试， 收集得到样车的实际道路排放测试数据，具体步骤包括：
基于样车所搭载的车载排放测试设备对样车进行排放测试，收集 得到样车的实际道路排放测试数据。
在上述技术方案的基础上，当将样车的车速、加速度和发动机转 速作为输入特征数据之后，还包括：
对输入特征数据中样车的车速和发动机转速进行转换处理，然后 再对输入特征数据进行窗口划分。
在上述技术方案的基础上，
对样车的车速进行转化处理，具体为：
V1＝log(V)
其中，V1表示转化处理后的车速，V表示转化处理前的车速，log 表示对数计算；
对样车的发动机转速进行转换处理，具体为：
RPM1＝RPM/100
其中，RPM1表示转化处理后的发动机转速，RPM表示转化处 理前的发动机转速。
在上述技术方案的基础上，所述对输入特征数据进行窗口划分， 具体为：
以第1秒数据为起始数据点、窗口步长为5秒、相邻窗口起始数 据点间隔为1秒，对输入特征数据进行窗口划分。
在上述技术方案的基础上，所述二氧化碳实时排放预测模型包括 两个神经层，分别为LSTM层和全连接层。
在上述技术方案的基础上，所述LSTM层包括5个LSTM单元， 所述全连接层包括1个单元。
本发明提供的一种基于神经网络的车辆二氧化碳实时排放预测 系统，包括：
收集单元，其用于基于对样车所进行的排放测试，收集得到样车 的实际道路排放测试数据；
计算单元，其用于基于收集的实际道路排放测试数据，计算得到 样车的瞬时加速度和二氧化碳瞬时排放速率；
划分单元，其用于将样车的车速、加速度和发动机转速作为输入 特征数据，并对输入特征数据进行窗口划分，构成训练集；
训练单元，其用于搭建LSTM深度学习的二氧化碳实时排放预 测模型，采用所述训练集进行训练；
预测单元，其用于基于训练完成的二氧化碳实时排放预测模型， 实现对与样车同型号的车辆的二氧化碳瞬时排放速率预测。
在上述技术方案的基础上，所述二氧化碳实时排放预测模型包括 两个神经层，分别为LSTM层和全连接层。
在上述技术方案的基础上，所述LSTM层包括5个LSTM单元， 所述全连接层包括1个单元。
与现有技术相比，本发明的优点在于：通过搭建了一个结构简单、 高精度、实时的二氧化碳实时排放预测模型，为降低模型复杂度，在 预处理阶段，针对训练集中不同的输入特征采取不同的规范化方法， 确保模型对各个特征的分辨率基本一致，对规范化的车辆实时速度、 车辆实时加速度以及发动机的实时转速这三个参数构成进行窗口划 分后，构成输入特征数据，实现对二氧化碳实时排放预测模型的训练， 使得训练完成的模型能够实现高精度的二氧化碳瞬时排放预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例 描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的 附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于神经网络的车辆二氧化碳实时 排放预测方法的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结 合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、 完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不 是全部的实施例。
参见图1所示，本发明实施例提供的一种基于神经网络的车辆二 氧化碳实时排放预测方法，具体包括以下步骤：
S1：基于对样车所进行的排放测试，收集得到样车的实际道路排 放测试数据；实际道路排放测试数据中包括二氧化碳排放相关数据以 及车辆行驶相关数据。
本发明实施例中，基于对样车所进行的排放测试，收集得到样车 的实际道路排放测试数据，具体步骤包括：基于样车所搭载的车载排 放测试设备对样车进行排放测试，收集得到样车的实际道路排放测试 数据。
S2：基于收集的实际道路排放测试数据，计算得到样车的瞬时加 速度和二氧化碳瞬时排放速率；
S3：将样车的车速、加速度和发动机转速作为输入特征数据，并 对输入特征数据进行窗口划分，构成训练集；
本发明实施例中，当将样车的车速、加速度和发动机转速作为输 入特征数据之后，还包括：对输入特征数据中样车的车速和发动机转 速进行转换处理，然后再对输入特征数据进行窗口划分。
对样车的车速进行转化处理，具体为：
V1＝log(V)
其中，V1表示转化处理后的车速，V表示转化处理前的车速，log 表示对数计算；
对样车的发动机转速进行转换处理，具体为：
RPM1＝RPM/100
其中，RPM1表示转化处理后的发动机转速，RPM表示转化处 理前的发动机转速。
即选用车速、加速度和发动机转速作为输入特征数据，并对不同 的特征采取不同的方法进行规范化转换处理，其中对车速和发动机转 速采用上述公式进行处理，对加速度不进行处理，确保模型对各个特 征的分辨率基本一致，然后通过由时间步长为5秒，相邻窗口起始点 时间间隔为1秒的窗口，对规范化的车辆实时速度、车辆实时加速度 以及发动机的实时转速这三个参数构成进行窗口划分，构成训练集。
本发明实施例中，对输入特征数据进行窗口划分，具体为：
以第1秒数据为起始数据点、窗口步长为5秒、相邻窗口起始数 据点间隔为1秒，对输入特征数据进行窗口划分。即，第t秒的排放 只与前4秒内的车辆运行状态有关。
S4：搭建LSTM深度学习的二氧化碳实时排放预测模型，采用 所述训练集进行训练；
本发明实施例中，二氧化碳实时排放预测模型包括两个神经层， 分别为LSTM层和全连接层。LSTM层包括5个LSTM单元，所述 全连接层包括1个单元。二氧化碳实时排放预测模型不含输入层。
对于二氧化碳实时排放预测模型，验证集和训练集分别占总训练 集的20％和80％。训练集批次大小为64，优化器为Adam，初始学习 率为0.002，学习率每训练500次衰减为原来的0.98倍，损失函数选 为平均绝对误差，模型训练总回合设置为500，为防止过拟合，还采 用Early Stop(在训练复杂机器学习模型中避免过拟合的一种方法) 策略。模型训练完成后，便可进行部署，对同型号的车型进行二氧化 碳瞬时排放速率预测。
S5：基于训练完成的二氧化碳实时排放预测模型，实现对与样车 同型号的车辆的二氧化碳瞬时排放速率预测。
为了验证本发明所述车辆二氧化碳实时排放预测方法的准确率， 以下结合具体的实例进行说明。
选取了4辆满足国六排放标准、不同类型的汽油车进行实际道路 排放测试，每辆车分别以不同的驾驶行为(平顺、正常、激烈)进行 三次试验，每次试验时长均超过6000秒。
二氧化碳实时排放预测模型的训练数据均由正常驾驶行为下的 实际道路排放数据构成，模型训练完成后对平顺驾驶和激烈驾驶行为 下的二氧化碳瞬时排放速率进行预测。为对预测结果中瞬时排放预测 结果进行分析，我们任意选取一组预测数据，对前2000秒的瞬时二 氧化碳排放速率的实际值和预测值进行比较，可以发现，二氧化碳瞬 时排放速率预测值和实际排放速率总体趋势能够保持一致，并且在绝 大部分时间带两者基本一致。为分析最终的二氧化碳预测误差，对二 氧化碳实际排放总量和二氧化碳预测排放总量的相关误差进行了比 对分析，可知，二氧化碳瞬时排放速率预测值和实测值的最大相对误差为8.25％，最小相对误差为0.58％，8次平均相对误差为4.11％。
本发明实施例的基于神经网络的车辆二氧化碳实时排放预测方 法，通过搭建了一个结构简单、高精度、实时的二氧化碳实时排放预 测模型，为降低模型复杂度，在预处理阶段，针对训练集中不同的输 入特征采取不同的规范化方法，确保模型对各个特征的分辨率基本一 致，对规范化的车辆实时速度、车辆实时加速度以及发动机的实时转 速这三个参数构成进行窗口划分后，构成输入特征数据，实现对二氧 化碳实时排放预测模型的训练，使得训练完成的模型能够实现高精度 的二氧化碳瞬时排放预测。
在一种可能的实施方式中，本发明实施例还提供一种可读存储介 质，可读存储介质位于PLC(Programmable Logic Controller，可编程 逻辑控制器)控制器中，可读存储介质上存储有计算机程序，该程序 被处理器执行时实现以下所述车辆二氧化碳实时排放预测方法的步 骤：
基于对样车所进行的排放测试，收集得到样车的实际道路排放测 试数据；
基于收集的实际道路排放测试数据，计算得到样车的瞬时加速度 和二氧化碳瞬时排放速率；
将样车的车速、加速度和发动机转速作为输入特征数据，并对输 入特征数据进行窗口划分，构成训练集；
搭建LSTM深度学习的二氧化碳实时排放预测模型，采用所述 训练集进行训练；
基于训练完成的二氧化碳实时排放预测模型，实现对与样车同型 号的车辆的二氧化碳瞬时排放速率预测。
存储介质可以采用一个或多个计算机可读的介质的任意组合。计 算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。 计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外 线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可 读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个 导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、 只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、 光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储 介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行 系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分 传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数 据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的 任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介 质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或 者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的 程序。计算机可读介质上包含的程序代码可以用任何适当的介质传 输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意 合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发 明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设 计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计 语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地 在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的 软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完 全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程 计算机可以通过任意种类的网络，包括局域网(LAN)或广域网 (WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利 用因特网服务提供商来通过因特网连接)。
本发明实施例提供的一种基于神经网络的车辆二氧化碳实时排 放预测系统，包括收集单元、计算单元、划分单元、训练单元和预测 单元。
收集单元用于基于对样车所进行的排放测试，收集得到样车的实 际道路排放测试数据；计算单元用于基于收集的实际道路排放测试数 据，计算得到样车的瞬时加速度和二氧化碳瞬时排放速率；划分单元 用于将样车的车速、加速度和发动机转速作为输入特征数据，并对输 入特征数据进行窗口划分，构成训练集；训练单元用于搭建LSTM深 度学习的二氧化碳实时排放预测模型，采用所述训练集进行训练；预 测单元用于基于训练完成的二氧化碳实时排放预测模型，实现对与样 车同型号的车辆的二氧化碳瞬时排放速率预测。
本发明实施例中，二氧化碳实时排放预测模型包括两个神经层， 分别为LSTM层和全连接层。LSTM层包括5个LSTM单元，所述 全连接层包括1个单元。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理 解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说 将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精 神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限 制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖 特点相一致的最宽的范围。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机 程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指 令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/ 或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到 通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备 的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设 备的处理器执行的指令产生用于实现在流程图一个流程或多个流程 和/或方框图一个方框或多个方框中指定的功能的装置。

Claims (10)

1.一种基于神经网络的车辆二氧化碳实时排放预测方法，其特征在于，具体包括以下步骤：
基于对样车所进行的排放测试，收集得到样车的实际道路排放测试数据；
基于收集的实际道路排放测试数据，计算得到样车的瞬时加速度和二氧化碳瞬时排放速率；
将样车的车速、加速度和发动机转速作为输入特征数据，并对输入特征数据进行窗口划分，构成训练集；
搭建LSTM深度学习的二氧化碳实时排放预测模型，采用所述训练集进行训练；
基于训练完成的二氧化碳实时排放预测模型，实现对与样车同型号的车辆的二氧化碳瞬时排放速率预测。
2.如权利要求1所述的一种基于神经网络的车辆二氧化碳实时排放预测方法，其特征在于，所述基于对样车所进行的排放测试，收集得到样车的实际道路排放测试数据，具体步骤包括：
基于样车所搭载的车载排放测试设备对样车进行排放测试，收集得到样车的实际道路排放测试数据。
3.如权利要求1所述的一种基于神经网络的车辆二氧化碳实时排放预测方法，其特征在于，当将样车的车速、加速度和发动机转速作为输入特征数据之后，还包括：
对输入特征数据中样车的车速和发动机转速进行转换处理，然后再对输入特征数据进行窗口划分。
4.如权利要求3所述的一种基于神经网络的车辆二氧化碳实时排放预测方法，其特征在于：
对样车的车速进行转化处理，具体为：
V1＝log(V)
其中，V1表示转化处理后的车速，V表示转化处理前的车速，log表示对数计算；
对样车的发动机转速进行转换处理，具体为：
RPM1＝RPM/100
其中，RPM1表示转化处理后的发动机转速，RPM表示转化处理前的发动机转速。
5.如权利要求1所述的一种基于神经网络的车辆二氧化碳实时排放预测方法，其特征在于，所述对输入特征数据进行窗口划分，具体为：
以第1秒数据为起始数据点、窗口步长为5秒、相邻窗口起始数据点间隔为1秒，对输入特征数据进行窗口划分。
6.如权利要求1所述的一种基于神经网络的车辆二氧化碳实时排放预测方法，其特征在于：所述二氧化碳实时排放预测模型包括两个神经层，分别为LSTM层和全连接层。
7.如权利要求6所述的一种基于神经网络的车辆二氧化碳实时排放预测方法，其特征在于：所述LSTM层包括5个LSTM单元，所述全连接层包括1个单元。
8.一种基于神经网络的车辆二氧化碳实时排放预测系统，其特征在于，包括：
收集单元，其用于基于对样车所进行的排放测试，收集得到样车的实际道路排放测试数据；
计算单元，其用于基于收集的实际道路排放测试数据，计算得到样车的瞬时加速度和二氧化碳瞬时排放速率；
划分单元，其用于将样车的车速、加速度和发动机转速作为输入特征数据，并对输入特征数据进行窗口划分，构成训练集；
训练单元，其用于搭建LSTM深度学习的二氧化碳实时排放预测模型，采用所述训练集进行训练；
预测单元，其用于基于训练完成的二氧化碳实时排放预测模型，实现对与样车同型号的车辆的二氧化碳瞬时排放速率预测。
9.如权利要求8所述的一种基于神经网络的车辆二氧化碳实时排放预测系统，其特征在于：所述二氧化碳实时排放预测模型包括两个神经层，分别为LSTM层和全连接层。
10.如权利要求9所述的一种基于神经网络的车辆二氧化碳实时排放预测系统，其特征在于：所述LSTM层包括5个LSTM单元，所述全连接层包括1个单元。
CN202211021253.8A 2022-08-24 2022-08-24 基于神经网络的车辆二氧化碳实时排放预测方法及系统 Pending CN115587526A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211021253.8A CN115587526A (zh) 2022-08-24 2022-08-24 基于神经网络的车辆二氧化碳实时排放预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211021253.8A CN115587526A (zh) 2022-08-24 2022-08-24 基于神经网络的车辆二氧化碳实时排放预测方法及系统

Publications (1)

Publication Number Publication Date
CN115587526A true CN115587526A (zh) 2023-01-10

Family

ID=84771317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211021253.8A Pending CN115587526A (zh) 2022-08-24 2022-08-24 基于神经网络的车辆二氧化碳实时排放预测方法及系统

Country Status (1)

Country Link
CN (1) CN115587526A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575166A (zh) * 2023-12-14 2024-02-20 中国公路工程咨询集团有限公司 一种基于深度学习的公路交通碳排放预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575166A (zh) * 2023-12-14 2024-02-20 中国公路工程咨询集团有限公司 一种基于深度学习的公路交通碳排放预测方法及装置
CN117575166B (zh) * 2023-12-14 2024-05-28 中国公路工程咨询集团有限公司 一种基于深度学习的公路交通碳排放预测方法及装置

Similar Documents

Publication Publication Date Title
CN107122594B (zh) 一种新能源车辆电池的健康预测方法和系统
CN112785016A (zh) 基于机器学习的新能源汽车保养维护与故障监测诊断方法
JP6918137B2 (ja) 運転行為評価方法、装置及びコンピュータが読み取り可能な記憶媒体
CN110705774A (zh) 一种车辆能耗分析的预测方法和系统
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
CN113240016A (zh) 一种基于深度学习的滚动轴承故障诊断方法
CN115587526A (zh) 基于神经网络的车辆二氧化碳实时排放预测方法及系统
CN114332825B (zh) 基于深度学习的道路地形分布识别方法、设备和存储介质
CN114692956A (zh) 基于多层优化核极限学习机的充电设施负荷预测方法及系统
CN114997342A (zh) 一种scr故障诊断方法、装置、设备及存储介质
CN116796158A (zh) 收集车辆智能化评估数据的方法、系统及车辆
CN116596129A (zh) 一种电动汽车充电场站短期负荷预测模型构建方法
CN113919234B (zh) 基于时序特征迁移的移动源排放预测方法、系统及设备
CN116011995A (zh) 车辆保养信息推送方法、装置、电子设备及存储介质
CN115062867A (zh) 基于Teager能量谱和改进型CNN模型的轴承故障预测方法
CN114814092A (zh) 基于bp神经网络的ip指标测量方法
CN114548557A (zh) NOx排放预测方法、装置、电子设备及计算机存储介质
CN113671386A (zh) 一种氢燃料电池耐久性能分析方法及装置
CN116579677B (zh) 一种高速铁路电务车载设备全生命周期管理方法及系统
CN114662680B (zh) 一种基于Gaussian Noise CNN模型多变工况下轴承故障诊断方法与系统
CN117493943A (zh) 斜拉桥拉索损伤识别方法、设备及存储介质
Hu et al. Prediction of Operational Noise Uncertainty in Automotive Micro-Motors Based on Multi-Branch Channel–Spatial Adaptive Weighting Strategy
CN116595853A (zh) 一种基于残差收缩网络和长短期记忆网络的变电站设备寿命预测方法
CN117077476A (zh) 一种汽车碰撞安全零部件动态力学性能的评价方法
CN115410054A (zh) 场景生成方法、模型测试方法及模型训练方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination